[发明专利]一种改进时间卷积网络的水库中长期月径流量预测方法

说明书

本发明涉及一种改进时间卷积网络的水库中长期月径流量预测方法，包括：根据目标流域选取水文影响因子，并获取对应的水文源数据；对水文源数据进行预处理；构建扩张因果卷积并行网；重构残差连接方式；将整合构建的时间卷积网络模型进行输出保存；利用训练集对改进时间卷积网络模型进行训练；根据经改进时间卷积网络模型计算后的水文源数据的数据特征，进行目标流域径流值输出。本发明的有益效果是：本发明利用扩张卷积和因果卷积特点，通过构建多卷积核并行网进行多源水文特征并行，提取提升了径流预测的精确性；并重构了残差连接方式，避免数据特征多层传递导致的特征损失。

技术领域

本发明涉及水文预测技术领域，更确切地说，它涉及一种改进时间卷积网络的水库中长期月径流量预测方法。

背景技术

水资源中流量大小是制定大部分有关水资源系统运行、管理方案的基础因素，其涉及的影响范围之广包括旱灾洪涝预防、自然生态环境保护、梯级水电站自动化运行、水库径流发电调度、轮渡航运管理以及工业需水的资源分配等领域中，具有十分重要的战略地位。

径流预测的实质是通过有效的技术手段对历史气象数据与水文数据进行采集和分析，实现对不同时间段内的径流趋势进行精准预测，其作为当今水资源研究领域中举足轻重的一环，对后续研究的开展具有关键的现实意义与指导作用。

时至今日，国内外相关领域专家及研究人员提出的各类水文模型日趋复杂化、多样化和实用化。从水循环动力学机制、水文历史成因及计算机技术层面上划分，水文预测模型可分为基于物理成因驱动分析模型、基于传统数理统计分析模型、人工智能分析模型。物理成因驱动分析模型通过探寻大气环流、全球气象、融雪特征等独特气象背景异常信号来与流域内的水文特征进行信息关联，但缺点是不具备可复制性，不同流域预报因子的物理要素分析是不具备通用性的，呈现因地制宜现象；数理统计分析方法依靠于大量流域历史水文相关数据，很大程度上依赖于水文数据的高度完整性，如若存在山区水文数据缺失、径流数据量不够充足、统计结果存在误导性情况，则利用该方法建立的统计模型不具备充分可信度的；人工智能方法在水文预报领域具有极大的应用前景，但目前仍存在缺乏近年来新提出的深度学习方法应用于复杂且耦合度高的多源水文、气象时空数据的应用经验，且现阶段各种深度学习模型、机器学习模型等均需根据不同的情况进行参数选择，需耗费大量的时间、精力对模型进行反复训练寻求最优解。

发明内容

本发明的目的是克服现有技术中的不足，提供了一种改进时间卷积网络的水库中长期月径流量预测方法。

第一方面，提供了一种改进时间卷积网络的水库中长期月径流量预测方法，包括：

S1、确定目标流域，根据所述目标流域选取水文影响因子，并获取所述水文影响因子对应的水文源数据；

S2、对所述水文源数据进行预处理，所述预处理包括清洗、去噪、补齐；

S3、改进时间卷积网络模型，包括：

S3.1、构建扩张因果卷积并行网，对预处理后的水文源数据进行数据特征提取；

S3.2、重构残差连接方式，替换标准卷积为扩张卷积和因果卷积；

S3.3、将S3.1和S3.2整合构建的时间卷积网络模型进行输出保存；

S4、利用训练集对所述改进时间卷积网络模型进行训练，并保存训练后的改进时间卷积网络模型；

S5、根据经所述改进时间卷积网络模型计算后的水文源数据的数据特征，进行目标流域径流值输出。

作为优选，S1中，根据主成分分析方法对目标流域径流量物理性质具有相关性的自然影响因素进行筛选，确定所述目标流域对应的水文影响因子。

作为优选，S2中，将所述预处理后的水文源数据进行建模处理，并将所述预处理后的水文源数据进行数据降维。

作为优选，S3.1包括：